Uso de la inteligencia artificial en entornos de nube híbrida: ventajas y casos prácticos

Los entornos de nube híbrida ofrecen a las empresas lo mejor de ambos mundos, ya que combinan los recursos locales y de nube para ofrecer flexibilidad y capacidad de ajuste. Las empresas pueden mejorar aún más su estrategia de nube híbrida con inteligencia artificial (IA) y aprendizaje automático (ML).

Los modelos de inteligencia artificial y machine learning pueden ayudar a los equipos a tomar mejores decisiones al proporcionar información, optimizar los recursos y mejorar el rendimiento de las aplicaciones. Los modelos de lenguaje extenso (LLM) permiten automatizar los flujos de trabajo y reducir la necesidad de realizar tareas manuales. Los modelos predictivos pueden analizar los patrones de uso para ayudar a mantener bajos los costos de la nube y asignar recursos de manera más eficiente. Veamos cómo los equipos pueden utilizar la inteligencia artificial y el machine learning para aprovechar al máximo sus entornos de nube híbrida. 

Asignación automatizada de recursos

La asignación y la optimización de los recursos son esenciales en los entornos de nube híbrida. Al automatizar y optimizar con la inteligencia artificial y el machine learning, las empresas pueden aprovechar al máximo sus recursos y reducir los costos. El análisis predictivo también puede analizar los datos históricos y los patrones de uso para anticipar automáticamente las necesidades de recursos para ajustar los recursos locales y de nube. La inteligencia artificial y el machine learning pueden distribuir las cargas de trabajo en las nubes híbridas para que se ejecuten en las ubicaciones más rentables y eficientes en función de la latencia, el costo y la disponibilidad.

Las empresas también pueden reducir los costos ajustando de forma dinámica la asignación de recursos en función de la demanda y el análisis predictivo, mientras mantienen una alta disponibilidad de los servicios y el rendimiento de las aplicaciones.

Mejora de la seguridad

La supervisión de la seguridad basada en la inteligencia artificial permite que las empresas identifiquen las ciberamenazas conocidas con mayor rapidez en los entornos complejos de nube híbrida. Con la detección de amenazas impulsada por la inteligencia artificial y el machine learning, las empresas pueden analizar de manera más eficiente los registros de seguridad y el tráfico de red en tiempo real, lo que aumenta la probabilidad de detectar posibles ataques y responder a ellos antes de que causen daños. Los algoritmos de detección de anomalías agregan otra capa de protección, ya que identifican actividades inusuales y detectan posibles filtraciones con anticipación, lo que mejora la seguridad general de su infraestructura de nube híbrida.

Mediante el análisis de conjuntos de datos y la identificación de patrones, los algoritmos de inteligencia artificial pueden ayudar a mitigar las amenazas emergentes que, de otro modo, las medidas de seguridad tradicionales podrían pasar por alto.

Optimiza el desarrollo y la implementación de las aplicaciones

Las herramientas basadas en la inteligencia artificial agilizan el desarrollo y la implementación de las aplicaciones, lo que permite que los equipos comercialicen los productos con mayor rapidez y reduzcan los errores humanos. El machine learning también puede aumentar los recursos del equipo de desarrolladores al optimizar el código, detectar errores e incluso sugerir mejoras en la arquitectura de las aplicaciones que se ejecutan en entornos de nube híbrida, todo lo cual mejora la productividad y la eficiencia.

RHEL AI y los modelos de lenguaje de gran tamaño de Granite

Red Hat Enterprise Linux AI (RHEL AI) incluye un subconjunto de los modelos de código y lenguaje open sourceGranite. Los modelos Granite son una serie de LLM desarrollados por IBM para ayudar a impulsar las aplicaciones empresariales de inteligencia artificial. Están diseñados para admitir casos de uso de inteligencia artificial generativa (gen AI) que involucran lenguaje y código, como la generación de texto, la finalización del código y la traducción del código. Como parte de RHEL AI, estos modelos ofrecen a las empresas soluciones optimizadas en función de los costos y el rendimiento para diversos casos prácticos de inteligencia artificial, a la vez que brindan soporte técnico de nivel empresarial de Red Hat y nuestra Open Source Assurance.

Caso práctico de desarrollo de aplicaciones: refactorización de código con modelos de código de Granite

Este es un caso práctico que demuestra cómo los LLM de Granite pueden ayudar a migrar las aplicaciones a una nube pública. Una empresa puede aprovechar un modelo de Granite para rediseñar una aplicación o plataforma heredada y mejorar el rendimiento, la escalabilidad y la capacidad de mantenimiento. Además, trasladar una plataforma a un entorno de nube puede aumentar su resistencia y mejorar su capacidad de respuesta.

En este ejemplo, una gran institución financiera tiene una plataforma de evaluación de riesgos que evalúa las carteras de clientes con referencia al cumplimiento, la detección de fraudes y el riesgo crediticio. Sin embargo, la aplicación se basa en una arquitectura obsoleta, lo que dificulta la escalabilidad a medida que crece el volumen de datos, es costosa de mantener debido a las dependencias heredadas y ralentiza el procesamiento de las evaluaciones de riesgos en tiempo real. Los líderes empresariales desean migrar la plataforma de evaluación de riesgos a AWS y, dada la importancia de esta plataforma para sus operaciones comerciales, su enfoque requiere una migración de refactorización.

¿Qué es la refactorización?

La refactorización es el proceso de ejecución de aplicaciones en la infraestructura de un proveedor de nube, lo que requiere rediseñar las aplicaciones para que se adapten mejor al entorno de nube. Este enfoque implica modificar una gran parte del código base en las aplicaciones actuales para aprovechar las funciones basadas en la nube y su flexibilidad adicional. Sin embargo, una migración de refactorización es más compleja y requiere muchos recursos que otros enfoques de migración a la nube, ya que los cambios en la base del código no pueden afectar el comportamiento externo de la aplicación.

Una solución open source

Los equipos de desarrolladores pueden integrar los modelos de Granite en su entorno de desarrollo para proporcionar asistencia en la codificación de la inteligencia artificial. Junto con un asistente de código de inteligencia artificial open source, los desarrolladores de aplicaciones pueden adoptar modelos de código de Granite para ayudar en una migración de refactorización. Estos modelos se pueden ejecutar localmente con herramientas como Ollama o InstructLab mientras los equipos trabajan para modernizar sus aplicaciones para los entornos de nube. 

Una vez configurado, los desarrolladores simplemente seleccionan el código que se debe mejorar para ver las sugerencias del modelo de Granite. El modelo de Granite intenta modernizar la sintaxis, extraer métodos, cambiar el nombre de las variables y más. Este método ayuda a agilizar el desarrollo y, al mismo tiempo, mantiene la experiencia humana a la vanguardia, ya que el equipo de desarrolladores revisa y acepta los cambios de código sugeridos.

Una ventaja de esto es que los desarrolladores pueden usar estas herramientas de inteligencia artificial localmente sin comprometer la información confidencial. Este enfoque híbrido también hace que la codificación sea más eficiente, y la naturaleza open source de los modelos de Granite proporciona transparencia para las partes interesadas. Consulte "Asistencia para la codificación de inteligencia artificial open source con los modelos de Granite" para obtener más información sobre cómo configurar un asistente de codificación de inteligencia artificial con modelos locales de Granite para ayudar con las migraciones de refactorización, la finalización del código, la documentación contextual y la depuración.

Beneficios

Las empresas pueden mejorar sus implementaciones de nube híbrida incorporando la inteligencia artificial en su entorno de desarrollo. En este caso práctico en particular, los beneficios incluyen:

• Implementación más rápida de las aplicaciones en la nube pública
• Mayor eficiencia del equipo gracias a la reducción de los gastos generales operativos
• Aceleración de los tiempos de respuesta gracias a la automatización
• Reducción del riesgo al minimizar los errores humanos
• Implementaciones más uniformes

Por último, la inteligencia artificial mejora la rentabilidad en los entornos de nube híbrida, ya que optimiza la asignación de recursos y ayuda a identificar otras oportunidades de ahorro de costos.

Visite Red Hat Developer Hub

En Red Hat Developer Hub, ofrecemos recursos en línea para los desarrolladores interesados en diseñar aplicaciones empresariales de inteligencia artificial. Incluso puede descargar imágenes de arranque prediseñadas de RHEL AI, incluida la familia Granite de LLM open source de la que hablamos aquí.